掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
基于多層次理解的視頻分析技術與應用 版權信息
- ISBN：9787563572854
- 條形碼：9787563572854 ; 978-7-5635-7285-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于多層次理解的視頻分析技術與應用 內容簡介
在“視頻大數據”時代，利用人工智能技術對視頻中的目標行為進行智能識別與分析，可為公共與國防安全、體育與娛樂等領域的諸多應用提供更高層級的技術支持。本書以體育場景為重點，進行案例剖析。研究體育運動中人類活動規律，構造智能系統，可為提高運動員競技能力、促進大眾科學健身提供新的高科技手段，極大提高了體育產業的智能化程度。 本書剖析了主流的視頻行為分析技術，基于多個層次對體育視頻中個體及群體行為進行理解，重點研究了體育視頻中的目標跟蹤與行為識別，具體包括單目標跟蹤，多目標跟蹤，單目標行為識別，群體行為識別等智能視覺任務，涉及關系學習，監督學習，無監督學習等優化方法。本書剖析了體育場景的特殊性，體育目標描述的復雜性，體育群體關系建模的專業性等難題，并提出一系列基于深度模型的解決方法，建立起契合體育場景的、高效魯棒的目標分析框架，以供廣大讀者參考。 編輯團隊總結了人工智能在視頻分析領域的*新成果，在編寫過程中參考了大量書籍、文獻及手冊資料，在此向各位相關作者表示誠摯的感謝。同時，由于作者水平有限，而且智能體育分析技術是一種正在不斷發展和完善的技術，本書難以概括全面，敬請讀者批評指正。
基于多層次理解的視頻分析技術與應用 目錄
第1章 背景與意義
第2章 國內外研究現狀
2.1 行為識別方法
2.1.1 行為識別數據庫
2.1.2 傳統的行為識別方法
2.1.3 基于深度學習的行為識別方法
2.2 多目標跟蹤方法
2.3 群體行為識別方法
2.3.1 群體行為數據庫
2.3.2 傳統的群體行為識別方法
2.3.3 基于深度學習的群體行為識別方法
本章小結
第3章 體育視頻中運動員協同跟蹤和行為識別一體化框架
3.1 引言
3.2 相關工作
3.2.1 目標跟蹤
3.2.2 行為識別
3.3 BeaVoll數據庫
3.4 尺度遮擋魯棒的跟蹤方法
3.4.1 壓縮跟蹤
3.4.2 尺度細化
3.4.3 遮擋恢復
3.5 長時間區域導向的遞歸神經網絡
3.5.1 多尺度金字塔卷積神經網絡
3.5.2 長短時記憶單元結構
3.5.3 訓練和測試
3.6 實驗結果與分析
3.6.1 實驗細節
3.6.2 在BeaVoll數據庫上的實驗結果
3.6.3 在UIUC2數據庫上的實驗結果
本章小結
第4章 基于長時間動作線索的體育視頻中多運動員跟蹤方法
4.1 引言
4.2 相關工作
4.3 基于長時間動作依賴的層級深度匹配方法
4.3.1 問題描述
4.3.2 檢測框連接代價
4.3.3 孿生跟蹤片相似度網絡和跟蹤片連接代價
4.4 數據庫
4.5 實驗結果與分析
4.5.1 實驗細節
4.5.2 評估指標
4.5.3 結果分析
本章小結
第5章 基于注意力機制和上下文建模的體育視頻中群體行為識別方法
5.1 引言
5.2 基于注意力機制和上下文建模的群體行為識別方法
5.2.1 注意力機制的LSTM網絡結構
5.2.2 層級注意力網絡
5.2.3 層級上下文網絡
5.3 實驗結果與分析
5.3.1 實驗細節
5.3.2 基準方法
5.3.3 在Collective Activity數據庫上的實驗結果
5.3.4 在Volleyball數據庫上的實驗結果
本章小結
第6章 面向復雜語義自適應建模的群體戰術識別方法
6.1 引言
6.2 復雜語義自適應建模的群體戰術識別方法
6.2.1 自適應的圖卷積神經網絡
6.2.2 注意力時序卷積網絡
6.3 實驗結果與分析
6.3.1 實驗細節
6.3.2 消融實驗
6.3.3 與其他先進方法的比較
本章小結
第7章 基于多尺度交叉距離Transformer模型的群體行為識別方法
7.1 相關工作
7.2 基于多尺度交叉距離Transformer模型的群體行為識別方法
7.2.1 方法概覽
7.2.2 跨距離注意力塊
7.2.3 層次結構
7.2.4 多尺度重構學習
7.3 實驗結果與分析
7.3.1 數據庫
7.3.2 實驗細節
7.3.3 消融實驗
7.3.4 與其他先進方法的比較
本章小結
第8章 基于長短狀態預測Transformer的群體表征自學習方法
8.1 引言
8.2 相關工作
8.2.1 自監督學習
8.2.2 行為預測
8.3 基于長短狀態預測Transformer的群體表征自學習方法
8.3.1 概覽
8.3.2 長短狀態編碼器
8.3.3 長短狀態解碼器
8.3.4 聯合學習機制
8.4 實驗結果與分析
8.4.1 數據庫
8.4.2 實驗細節
8.4.3 消融實驗
8.4.4 與其他先進方法的比較
本章小結
第9章 基于上下文關系預測編碼的群體行為表征自學習方法
9.1 引言
9.2 基于上下文關系預測編碼的群體行為表征自學習方法
9.2.1 概述
9.2.2 群體標記生成器
9.2.3 串并行Transformer編碼器
9.2.4 混合上下文Transformer解碼器
9.2.5 聯合損失
9.3 實驗結果與分析
9.3.1 數據庫
9.3.2 實驗細節
9.3.3 與其他先進方法的比較
9.3.4 消融實驗
本章小結
第10章 總結與展望
參考文獻
展開全部
基于多層次理解的視頻分析技術與應用 作者簡介
孔龍騰，北京郵電大學博士后，畢業于北京航空航天大學，長期從事計算機視覺與模式識別研究。發表IEEE Transactions on Image Processing (TIP)，IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)等國際權威期刊或會議15篇，其中第一作者或通訊作者5篇，均為中科院1區)，主持或參與國自然青年基金項目、國自然面上項目、科技部重點研發項目、港澳臺專項項目8項。現為人工智能頂級期刊TIP、TCSVT、TMM等審稿人，北京圖象圖形學學會(BSIG)青年工作委員會委員、人工智能人機交互專委會委員。
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
名家帶你讀魯迅:故事新編
- >
煙與鏡
- >
名家帶你讀魯迅:朝花夕拾
- >
有舍有得是人生
- >
龍榆生：詞曲概論/大家小書
- >
唐代進士錄
本類暢銷
